【正文】 )ln),((l nlnln),( 39。,b39。但是在道路圖像處理中，壓縮區(qū)間范圍的不確定性，沒有得到很好的解決，因此該方法是今后進(jìn)一步研究的重點。不過，有時為了某種特殊的應(yīng)用，這種“犧牲”是值得的。和 b39。39。39。39。 ajifab abajif ????? 另外一種情況，圖像中大部分像素的灰度值在 [a,b]范圍內(nèi)，少部分像素在小 于a 和大于 b 的區(qū)間。39。 jif 之間存在下列關(guān)系： )),((),( 39。,b39。基本原理如式 (36)：令原始圖像 ),( jif 的灰度范圍為 [a,b]，線性變換后的圖像 ),(39。 (23) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 11 圖像 灰度線性變換 首先，介紹線性變換。 圖像灰度變換 道路圖像灰度化后，灰度值通常只是集中在某個范圍，為使 圖像的動態(tài)范圍加大，圖像對比度擴(kuò)展，清晰度提高，特征明顯 ， 進(jìn)行圖像灰度變換 [6]是必要的。 用 MATLAB對彩色通 道提取法對道路圖像進(jìn)行仿真如圖 33： 圖 33 彩色通道提取灰度化 從圖 33中可以看出，車道邊緣部分在灰度圖像中得到了有效的增強(qiáng)，由于 255表示灰度圖像中的白色，因此圖中車道標(biāo)記部分基本都被染成了白色，起到了增強(qiáng)邊界的作用。從而經(jīng)過 R+G處理后，得到的是車道邊界強(qiáng)化的灰度圖像。 從 式 (35)中可以看出， 對于 R、 G通道顏色值較大的車道邊緣點在灰度圖像中其灰度值得到強(qiáng)化。 其在灰度圖像中的像素值取 (R+G)/2。具體是 R、 G通道顏色值之和在一定的閾值之上的像素點直接取灰度最大值 255。因此試圖通過提取 R、 G 通道的方法突出車道標(biāo)志線的塊狀結(jié)構(gòu)是可行的。車道標(biāo)志線一般為黃色或白色，而路面多為瀝青表面。本 設(shè)計 采用的是下面一種彩色 通道提取 [5]的方法。由于篇幅有限，這里不再用其它圖像說明。 ),(),(),(),( jiBjiGjiRjif ??? 用 MATLAB 對 分量法、最大值法、平均值法、加權(quán)平均法四種常用灰度化方法 ， 對一幅道路圖像進(jìn)行 仿真 ， 結(jié)果 如圖 3圖 32： (31) (33) (32) (34) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 9 通過圖 32 圖像灰度化的結(jié)果可以看出：在處 理道路圖像時，平均值灰度化彩色圖像效果最差，因為圖像大部分區(qū)域是路面，灰度化后，道路標(biāo)記線被弱化。 ? ? 3/),(),(),(),( jiBjiGjiRjif ??? (4)加權(quán)平均法 根據(jù)重要性及其它指標(biāo)，將三個分量以不同的權(quán)值進(jìn)行加權(quán)平均。 (2)最大值法 將彩色圖像中三個分量亮度的最大值 ， 作為灰度圖像的灰度值如式 (32)所示。 常用的灰度化方法 (1)分量法 將彩色圖像中三個分量的亮度分別作為三個灰度圖像的灰度 值 如式 (31)所示，可根據(jù) 需要選取一種灰度圖像。而對彩色圖像的處理，就是分別對三個分量處理，可見速度相對較慢。在道路圖像提取車道線過程中，很多算法沒有利用圖像的彩色信息而是將其灰度化。在 RGB 模型中，如果 R=G=B 時，則彩色表示一種灰度顏色，其中 R=G=B 的值叫灰度值。 道路圖像灰度化 大部分道路圖像是 通過彩色 COMS 圖像傳感器采集的，原始圖像為彩色圖像。 圖像預(yù)處理是指按特定的需要突出一幅圖像的某些信息，同時，削弱或去除某些不需要的信息的處理方法。另外，由于車輛行駛時視覺系統(tǒng)與道路環(huán)境之間存在相對運動，輸出圖像的質(zhì)量也會降低，常產(chǎn)生運動模糊等現(xiàn)象。 (23) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 7 第 3 章 道路圖像預(yù)處理 引言 智能車輛視覺系統(tǒng)完成圖像采集后，需要對獲取的圖像進(jìn)行各種處理與識別。由于單視目系統(tǒng)在實時性， 系統(tǒng) 成本上優(yōu)于前者，所以 目前常用的是單視目導(dǎo)航系統(tǒng)。39。 yxp 的映射關(guān)系，由圖中幾何關(guān)系可以得到透視投影方程式 (22)所示 ： ZfYyXx ?? (21) (22) 石家莊鐵道學(xué)院畢業(yè)設(shè)計 6 即世界坐標(biāo)系中 ),( zyxp 點與其在圖像平面上投影點 ),(39。 yxp 或 ),(39。 (a) 透視投影倒立成像圖 (b) 透視投影倒立成像圖 圖 21 透視投影圖像 由于這種成像模型最簡單，計算量小，在作了一些假設(shè)之后，適應(yīng)于實際情況，因此本 設(shè)計 將單視目成像的針孔模型作為 二維圖像信息和三維世界信息的關(guān)系模型 。p 位于點 p 和點 o 之間，其投影大小與 39。p ， 如圖 21(b)所示，可以看出 39。為了避免這種倒立圖像，現(xiàn)在假定圖像平面位于 Z 軸正半軸且與投影中心 o 的垂直距離為焦距 f 處，此時點 p 經(jīng) 投影中心 o 點在圖像平面坐標(biāo)系中的投影點為 39。 由幾何關(guān)系可 知，世界坐標(biāo)系中的點 p 經(jīng)投影中心 o 點在圖像平面坐標(biāo)系中的投影點為 39。oo ， xyzo?為世界坐標(biāo)系， xyo?39。 透視投影成像模型的特點是所有來自場景的光線均通過一個投影中心，它對應(yīng)于透視的中心。 攝像機(jī)成像的實質(zhì)是將三維道路場景信息變換成二維圖像信息 ， 這個變換可以用一個從三維空間 (3D)到二維空間 (2D)的映射如式 (21)： ? ? ),(,: 23 yxzyxRRf ?? 來表示 。 在攝像機(jī)成像幾何模型中最常用最簡單的是線性模型 —— 針孔模型 [3]。 具體的做法如下：假設(shè)車輛前方的道路是平坦的 ,設(shè)定攝像機(jī)的安裝位置 固定 (安裝的高度、俯視角、偏離角 )， 攝像機(jī)的固有參數(shù)為常數(shù) (攝像機(jī)焦距、孔徑張角 )。 單目視覺導(dǎo)航系統(tǒng)成像模型 為了得到圖像中的像素和實際道路區(qū)域點的對應(yīng)關(guān)系 ， 必須知道二維圖像信息和三維世界信息的關(guān)系模型。通常為了從單目視覺系統(tǒng)中獲得道路的三維信息 ， 對此提出了一些合 理的假設(shè) ， 如道路平坦假設(shè) 、 道路邊緣連續(xù)性假設(shè) 、 道路模型假設(shè)等。目前基于視覺導(dǎo)航的智能車輛多采用單目視覺系統(tǒng)完成道路檢測及跟蹤 ， 而采用多目視覺系統(tǒng)完成道路上的障礙物檢測 。 即使這樣，雙目或者多目視覺系統(tǒng)需要的計算量仍是比較大 的 ， 目前計算機(jī)的計算能力還不足以滿足車輛導(dǎo)航系統(tǒng)的實時性要求 ， 因此雙目或者多目視覺系統(tǒng)一 般用于復(fù)雜、未知環(huán)境下低速行駛的智能車輛，并且雙目或者多目視覺系統(tǒng)也會提高系統(tǒng)成本。另外 ， 遮擋問題。要正確的理解三維世界環(huán)境 ， 理論上應(yīng)該采用雙目或者 多目視覺系統(tǒng) ， 但從立體視覺的角度來解決環(huán)境重建問題 ， 因為從現(xiàn)有的研究結(jié)果來看 ， 直接通過對圖像進(jìn)行三維恢復(fù)獲取環(huán)境信息有以下幾個方面的困難：首先 ， 計算量巨大。通過比較，改進(jìn)的 hough 變換 ——隨機(jī) hough 變換實時性最好，并且對其它圖像進(jìn)行檢測，一定程度上隨機(jī) hough 變換的魯棒性也符合要求。最后，建立并提取車道線模型是最為關(guān)鍵的部分，本設(shè)計假設(shè)在結(jié)構(gòu)化道路上，智能車輛僅采集的是前方不遠(yuǎn)處的道路圖像，提出直線型車道線模型，而且 該模型計算量小，在一定程度上能適應(yīng)車輛在高速行駛過程中對實時性的要求。在圖像邊緣增強(qiáng)后，不僅車道線得到了增強(qiáng)，許多樹木、行人、車輛等也得到了增強(qiáng)，由此增加了許多虛假的邊界 。一般獲得的道路圖像中包含的信息都有車道線和路面兩種信息，而由于車道線作為圖像中的一種 邊緣，根據(jù)邊緣的屬性，可以用差分算子將邊緣檢測出來。由于實際情況復(fù)雜多變，如遇到雨、雪天氣，因此加入椒鹽噪聲模擬實際情況 ，并 用各種常用的濾波模板處理圖像 。首先對一些圖像 的 預(yù)處理算法，如圖像灰度化、圖像濾波、圖像邊緣增強(qiáng)等，用 MATLAB進(jìn)行仿真，比較它們的處理結(jié)果。 論文的研究內(nèi)容 當(dāng)智能車輛在公路高速行駛，視覺系統(tǒng)作為最重要的感知手段之一時，圖像在識別外界信息中扮演著重要角色，如何通過圖像提取車道線，目前有許多算法 ， 例石家莊鐵道學(xué)院畢業(yè)設(shè)計 3 如像素掃描、模板匹配、霍夫變換和邊緣跟蹤等常用的車道線邊緣像素提取方法，其中像素掃描是普遍采用的一種提取方法，具有靈活、高效、抗干擾能力強(qiáng)的特點。美國也采用單目攝像機(jī) ， 通過圖像序列測取 道路環(huán)境的 信息。其中法國學(xué)者提出一種視覺方法，僅利用一臺攝像機(jī)得到路面的信息 ， 就能夠正確地跟蹤有路標(biāo)和無路標(biāo)情況下的道路 。日本通過當(dāng)前圖像與參 考圖像之間像素的迅速匹配 ， 解決了巨大運算量的實時處理的困難。 一部分學(xué)者致力于用多目視覺技術(shù)來解決這個問題。 國內(nèi)外研究現(xiàn)狀 目前為止 ， 國內(nèi)外智能車輛無一例 外地使用機(jī)器視覺作為其重要的感知方式 ，基于計算機(jī)視覺系統(tǒng)的導(dǎo)航技術(shù)具有價格低廉 、 結(jié)構(gòu)簡單 、 方便與其他傳感器進(jìn)行數(shù)據(jù)融合等優(yōu)點 ， 所以利用機(jī)器視覺識別公路上的車道線實現(xiàn)自主導(dǎo)航是現(xiàn)階段智能車輛常用的方法。其次，識別技術(shù)可以用來提高智能巡航控制中跟蹤引導(dǎo)車輛石家莊鐵道學(xué)院畢業(yè)設(shè)計 2 的精度。識別技術(shù)用于車輛的路徑偏離預(yù)警系統(tǒng) ， 大部分由于車輛偏離車道造成的事故可以避免。這些要求就使所設(shè)計的系統(tǒng)必須在理 論算法上給予強(qiáng)大的支持，針對計算機(jī)視覺部分就是要有實時高效的圖像處理算法。 在單目或多目視覺導(dǎo)航系統(tǒng)中最為關(guān)鍵的技術(shù)就是計算機(jī)視覺 。 這就極大的提高了信息獲取的可靠性，所以單目視覺系統(tǒng)仍然能夠滿足較高速度情況下視覺導(dǎo)航的要求。但是，雙目或多目立體視覺系統(tǒng)在實際應(yīng)用中所需計算量很大，而且雙目或多目立體視覺系統(tǒng)在視覺匹配問題上很難解決 ， 而智能車輛在較高速度下的圖像處理速度比一般情況下要高，目前的微處理器計算能力還不能完全滿足其實時性的要求 ， 所以目前雙目或多目立體視覺系統(tǒng)還不適合在較高速度下智能車輛視覺導(dǎo)航中應(yīng)用。在智能車輛導(dǎo)航諸多復(fù)雜且具有挑戰(zhàn)性的任務(wù)中，最受重視之一的是基于視覺的道路檢測問題 。 基于視覺的智能車輛導(dǎo)航可追溯到 19 世紀(jì) 70 年代初期的移動機(jī)器人研究，但由于當(dāng)時的硬件水平還比較低，而圖像處理的計算量非常大，研究者的精力也就過多地耗費在硬件平臺的設(shè)計、實現(xiàn)和測試上。智能系統(tǒng)的發(fā)展為改善交通環(huán)境狀況，提高車輛行駛的安全性與可靠性，減少駕駛員人為因素造成的交通事故等開辟了廣闊的前景。 關(guān)鍵詞 ： 圖像預(yù)處理 彩色通道提取 區(qū)域生長 改進(jìn)的 hough 變換 Abstract Recent the research on Visual navigation systems have been developed in many countries. And a lanedetection system is an important ponent of many visual navigation systems. There has been active research on the lanedetection, because it closely relates to the safety of intelligent vehicles. In this thesis, the road positioning algorithms based on image are researched. At first, the current algorithms of image preprocessing are analyzed. By the specific requirements of the image processing in this thesis, the appropriate algorithm is chosen. For example, in order to get a greylevel image from a colour one, we introduced a method called getting from multicolor channel. As the result, the white line on the road image can be intensified stronger than the other ways. Then given the features of road line, a difference cyclostyle is defined to extract the edge. At the same, in order to improve the realtime performance of roads and antijamming capability, regional growth ways is introduced, through it we can chose a proper seed to get a regional road image. Then edge extraction and integration of regional growth way is used to identify the road edge according to marginal and regional information should occupy space in the same or similar position. After get